摘要

我们推出了HealthBench，这是一个开源基准测试，用于衡量大型语言模型在医疗保健领域的性能和安全性。HealthBench包含5000个多轮对话，涉及模型与单个用户或医疗专业人员的交流。回应的评估采用了由262名医生创建的针对特定对话场景的标准。不同于以往的多项选择题或简答题基准测试，HealthBench通过涵盖多个健康背景（例如，紧急情况、转换临床数据、全球健康）和行为维度（例如，准确性、遵循指令、沟通）的48562个独特标准，实现了现实、开放的评估。过去两年中HealthBench的表现反映出初步进展稳定（例如，GPT-3.5 Turbo的准确率为16%，而GPT-4o的准确率为32%）以及近期更快速的改进（o3得分为60%）。小型模型尤其有所提升：GPT-4.1 nano的性能优于GPT-4o，且价格仅为后者的1/25。我们还发布了两个HealthBench变体：HealthBench Consensus，其中包含了通过医生共识验证的34个特别重要的模型行为维度；以及HealthBench Hard，当前最高得分为32%。我们希望HealthBench能够为模型开发和应用奠定基础，从而造福人类健康。

核心速览

研究背景

1. 研究问题

   ：这篇文章要解决的问题是如何评估大型语言模型（LLMs）在医疗保健领域的性能和安全性。现有的健康评估存在意义不明确、可信度不高和饱和度不足的问题。

2. 研究难点

   ：该问题的研究难点包括：如何设计一个有意义且可信的评估基准，能够全面覆盖模型在不同健康场景下的行为；如何在评估中引入医生的专业判断，确保评估结果的可靠性。

3. 相关工作

   ：该问题的研究相关工作包括早期的医学考试问题和短响应评估，这些工作狭窄且不反映真实的工作流程，已经趋于饱和。最近的工作则评估了更长的开放式模型响应，但这些评估要么过于狭窄，要么代表性不足，未能广泛验证。

研究方法

这篇论文提出了HealthBench，一个开源基准，用于解决LLMs在医疗保健领域的性能和安全性评估问题。具体来说，

1. 数据收集

   ：HealthBench由262名医生编写，涵盖了60个国家的医疗实践经验和26个医学专业。医生们编写了5000个真实的健康对话，每个对话包含一个用户消息和一个模型消息，最后以用户消息结束。

2. 评分标准

   ：每个对话都有一个由医生编写的特定对话的评分标准。评分基于48,562个独特的标准，涵盖准确性、完整性、指令遵循、沟通质量和上下文意识等维度。评分过程包括独立评估每个标准，并根据是否满足标准给予分数。

3. 模型评估

   ：使用模型基础的评分器对模型响应进行评分，评分器经过医生判断验证。评估结果包括整体得分和按主题和轴线的细分得分。

实验设计

1. 数据生成

   ：大部分对话是合成生成的，使用定制的语言模型程序管道生成真实的健康对话。另一部分数据来自医生对LLMs在健康相关设置中的红队测试，以及Google发布的健康搜索查询数据集。

2. 对话过滤

   ：生成的对话经过模型检查，确保其现实性、自洽性和与身体健康相关。使用o1-preview进行评分。

3. 评分标准编写

   ：医生为每个主题编写评分标准，并使用医学判断将每个示例分类为两个或三个可能的类别。共识标准由多数医生同意添加到示例中。

结果与分析

1. 性能提升：最近的模型在HealthBench上的表现迅速提升，o3模型的得分从GPT-3.5 Turbo的16%提高到32%。小型模型也显著改进，GPT-4.1 nano比GPT-4o便宜25倍，表现优于GPT-4o。

   

2. 按主题和轴线分析：紧急转诊和专业知识定制沟通的主题表现最好，而上下文寻找、健康数据任务和全球健康的主题表现较差。最新的模型在这些主题上的表现优于早期模型。

   

3. 成本效益：最新的模型在性能和成本之间达到了新的前沿，小型模型在推理成本上也有显著改进。

   

4. 可靠性：最新的模型在可靠性方面有显著提升，o3模型在最坏情况下的得分比GPT-4o高出两倍以上，但仍存在很大的改进空间。

   

5. 医生编写的响应：医生在没有模型参考的情况下编写的响应表现较弱，但在有参考的情况下，医生能够显著提高模型响应的质量。

   

总体结论

这篇论文提出了HealthBench，一个开放源码的基准，用于评估LLMs在医疗保健领域的性能和安全性。通过5000个真实的健康对话和48,562个独特的评分标准，HealthBench提供了全面且可扩展的标准，推动了模型开发和应用，以实现AI在改善人类健康方面的潜力。

论文评价

优点与创新

1. 全面的评估标准

   ：HealthBench包含5,000个真实的健康对话，覆盖了七个主题和五个轴的行为维度，通过48,562个独特的评分标准进行评估，确保了评估的全面性和细致性。

2. 医生参与

   ：HealthBench由262名医生共同开发，这些医生来自60个国家，涵盖26个医学专业，确保了评估的多样性和权威性。

3. 多种模型评估

   ：评估了包括OpenAI在内的多种前沿模型，展示了模型在性能、成本和可靠性方面的快速进步。

4. 基线对比

   ：通过医生在没有模型辅助和有模型辅助的情况下编写的响应作为基线，发现最近模型在没有模型辅助的情况下表现优于医生，但在有模型辅助的情况下医生可以进一步提升响应质量。

5. 变体引入

   ：引入了HealthBench Consensus和HealthBench Hard两个变体，分别用于测量模型行为的34个特别重要的方面和作为未来模型的困难目标。

6. 模型评分一致性

   ：通过元评估测量了模型评分与医生评分的一致性，发现模型评分与医生评分具有相似的一致性。

7. 数据开放

   ：通过OpenAI的simple-evals库公开了HealthBench的数据和代码，促进了研究的复现和合作。

不足与反思

1. 数据收集的主观性

   ：医生在编写具体标准的解释、共识标准的分配和标准评分方面存在显著差异，这可能导致评估结果的主观性。

2. 医生响应的局限性

   ：由于医生通常不习惯以这种格式编写响应，因此生成的医生响应可能较短，且可能以更详细的方式呈现任务。

3. 未来工作的方向

   ：HealthBench目前没有评估特定工作流程中模型响应的质量和健康结果，未来的研究应关注这些方面，以推动实际应用的改进。

关键问题及回答

问题1：HealthBench的评分标准是如何设计的？它们具体包括哪些方面？

HealthBench的评分标准是由262名医生编写的，涵盖了48,562个独特的标准。这些标准分为五个轴，分别是准确性、完整性、指令遵循、沟通质量和上下文意识。每个标准的具体内容可以从具体事实到期望的行为不等，例如在紧急情况下是否及时告知用户寻求紧急护理，或者在提供医疗建议时是否完整。评分过程包括独立评估每个标准，并根据是否满足标准给予分数。评分结果不仅包括整体得分，还有按主题和轴线的细分得分，这有助于诊断不同AI模型的具体行为和识别改进领域。

问题2：HealthBench的数据收集过程是怎样的？合成生成的对话和医生编写的对话各占多少比例？

HealthBench的数据收集过程包括合成生成的对话和医生编写的对话。大部分对话（约75%）是合成生成的，使用定制的语言模型程序管道生成真实的健康对话。这些对话涵盖了多种语言、国家和医疗资源设置，以及不同的用户角色。另一部分数据（约25%）来自医生对LLMs在健康相关设置中的红队测试，以及Google发布的健康搜索查询数据集。医生编写的对话主要用于评估模型在有参考响应和无参考响应情况下的表现，以建立强基线。

问题3：HealthBench的评估结果显示了哪些模型的改进？这些改进在性能和成本方面有哪些具体表现？

HealthBench的评估结果显示，最近的模型在性能上有显著改进。例如，o3模型的得分从GPT-3.5 Turbo的16%提高到32%，显示出快速进步。小型模型也显著改进，GPT-4.1 nano比GPT-4o便宜25倍，但表现优于GPT-4o。此外，最新的模型在性能和成本之间达到了新的前沿，小型模型在推理成本上也有显著改进。在可靠性方面，最新的模型在最坏情况下的得分比GPT-4o高出两倍以上，但仍存在很大的改进空间。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】